L-MAE:具有时间和严重程度感知编码的纵向面具自动编码器,用于预测糖尿病视网膜病变的进展
Rachid Zeghlache1, Pierre-Henri Conze2, Mostafa El Habib Daho1
1LaTIM UMR 1101, Inserm, Brest, France; University of Western Brittany, Brest, France.
Computers in biology and medicine
|December 17, 2024
概括
这项研究引入了一种用于医学成像的新型纵向面具自动编码器,通过时间意识和疾病意识策略增强自我监督学习 (SSL),以改善疾病进展预测.
科学领域:
- 计算机视觉 计算机视觉
- 医学成像分析 医学成像分析
- 自主监督学习学习
背景情况:
- 自主监督学习 (SSL) 在计算机视觉方面表现有前途,但由于独特的数据特性,在医学成像方面面临挑战.
- 现有的SSL借口任务往往缺乏决定支持的关键临床上下文知识.
研究的目的:
- 开发一个针对医学成像量身定制的纵向面具自动编码器 (MAE).
- 通过时间意识的位置嵌入和疾病进展意识的掩盖来增强MAE.
- 用纵向医学数据改善疾病进展的预测.
主要方法:
- 开发了一个基于变压器的纵向MAE,包括检查之间的时间间隔.
- 引入了一种掩护策略,该策略在后续检查期间适应疾病进展.
- 在OPHDIAT数据集上评估了糖尿病视网膜病变 (DR) 严重程度预测的模型.
主要成果:
- 提出的时间意识和疾病进展意识策略显著提高了预测准确性.
- 纵向MAE的性能优于传统的基线模型和标准的纵向变压器.
- 调整显示了医疗领域深度分类模型性能的大幅改善.
结论:
- 时间感知位置嵌入和疾病进展信息的掩盖是医学成像中对纵向MAE的有效适应.
- 这些方法可以更好地捕捉时间趋势和病理变化.
- 开发的方法为临床决策支持和疾病进展评估提供了更强大的工具.
